AI初学者必看：第 3 篇 - 深度学习基本

nykek5i · 发表于 2024-9-28 12:25:32

介绍

“人工智能（AI）”一词于 1956 年面世，如今已为大众所熟知。然而，在 ChatGPT 快速流行之前，AI 的运用和讨论大多局限于科学科研或虚构电影。如今，AI 尤其是生成式 AI 已作为大众热榜的专题。初学者生成式人工智能科普系列内容面向期盼踏上人工智能之旅的任何人。日前，无论您的角色和工作内容怎样，无论您是技术人员还是制品专家，或担任其他任何角色，学习认识生成式人工智能的基本知识绝对是一个明智之举。在本系列文案中，咱们将一步步分享生成式人工智能的基本知识。为了便于理解，将全部系列分为8篇内容（阅读时间15~20分钟）：

第 1 篇--人工智能简介（点击查看）

第 2 篇--理解设备学习（点击查看）

第 3 篇--深度学习基本[当前内容]

第 4 篇--生成式人工智能简介

第 5 篇--什么是大型语言模型 (LLM)？

第 6 篇--与人工智能沟通的艺术

第 7 篇--生成式人工智能中的伦理考量

第 8 篇--生成式人工智能的挑战和局限性

下面是本系列第 3 篇内容——探讨深度学习技术基本

什么是深度学习？

设备能像咱们人类（人脑）学习事物的方式同样学习吗？——这便是深度学习创新背面的想法。深度学习是设备学习的一个子集（ML 又是 AI 的一个子集）。深度学习的核心是基于人工神经网络 (ANN)，这是一种受人类大脑结构和功能启发的计算模型。

听起来有点令人困惑？让咱们用通俗易懂的语言来简化它！

首要，让咱们认识几个重要的概念。

人脑中的生物神经网络

神经元是人脑最基本的细胞。人脑有数十亿个神经元，它们相互功效、沟通，形成神经网络。

这些神经元接收许多输入，从咱们看到和听到的事物到咱们感受到的一切，而后向其他神经元发送信息，这些神经元依次做出反应。工作神经网络使人类能够思考，更重要的是，能够学习。

人工神经网络（ANN）

人工神经网络是基于人脑生物神经网络设计的计算网络。

人类大脑中有相互连接的神经元。一样，人工神经网络中亦有相互连接的神经元。这些神经元被叫作为节点。

让咱们尝试简化 ANN！

想象一下用区别形状和体积的管道制作一个巨大的 3D 结构。每根管道都能够连接到许多其他管道，并且有一个能够打开或关闭的开关。这为您供给了连接管道的多种方式，这看起来有点棘手，对吧？

此刻，让咱们把这个管子连接到水龙头上。区别尺寸的管子让水以区别的速度流动。倘若咱们关闭开关，水就不会流动。

水表率流经大脑的数据，管道表率大脑中叫作为神经元的部分。

人工神经网络的架构

人工神经网络重点由三层构成——输入层、输出层和隐匿层。

想象一个类似于三层三明治的人工神经网络。

第1层叫作为输入层，表率面包的底部。它接收信息。

第二层叫作为隐匿层，表率中间的美味馅料。它会思考并处理问题。

第三层叫作为输出层，表率面包的顶部切片。它为咱们供给了最后结果。

简而言之：

输入层这便是信息进入人工神经网络的地区

它是起点，网络从这儿接收其需要处理的数据

输出层

这是网络给出最后结果或答案的地区

它是终点，网络在这儿告诉咱们它学到了什么或决定了什么

隐匿层

这些层位置于输入层和输出层之间

这些层中的神经元处理信息并帮忙网络学习模式和做出决策

人工神经网络怎样工作？

想象一下一群孩儿试图经过分享她们的观察来识别一只熊猫。

每一个孩儿都拥有特定的特征，例如黑白色的皮毛、圆圆的脸和独特的眼睛就个人而言，她们可能没法完全理解熊猫的样子

但经过结合她们的见解，她们形成为了一种集体理解

在人工神经网络的世界里，这些孩儿表率着神经元。

在人工神经网络中，单个“神经元”（类似于咱们例子中的孩儿）专门识别特定方面。结合起来，它们有助于识别整体概念（熊猫）。

网络经过反复接触来完善其理解，类似于孩子们随着时间的推移完善她们的熊猫识别技能。

输入层（观察）：

每一个孩儿都会观察一个方面，例如毛皮颜色或脸型，形成咱们网络的输入层。隐匿层（处理）：孩儿们互相传递观察结果，模仿神经网络的隐匿层。在分享信息的过程中，她们一起对熊猫的特征有了更全面的认识。输出层（识别）：最后，她们综合所有细节得出结论。倘若大都数人同意观察到的特征与熊猫相符，她们就会输出“熊猫”。这个输出层对应于网络的最后决策。评分办法：为了加强识别能力，孩儿们会跟踪其准确度。倘若她们正确识别了熊猫，她们就会得到积分；否则，她们就会从错误中吸取教训。类似地，在神经网络中，评分办法有助于调节网络的参数，以加强随着时间的推移的准确性。该团队合作展示了人工神经网络怎样逐层处理信息，从各样特征中学习并经过评分机制持续完善其理解。深度神经网络深度神经网络 (DNN) 是一种在输入层和输出层之间拥有多层的人工神经网络 (ANN) 。这儿的“深度”寓意着输入和输出之间有多层，使其能够学习繁杂的模式。关于深度学习的要点此刻，咱们来总结一下深度学习的有些要点！

1-设备学习子集

深度学习是设备学习的子集，而设备学习又是人工智能的子集。2-受大脑启发深度学习基于人工神经网络，其灵感来自于咱们大脑的工作方式。3-人工神经网络（ANN）ANN 是一种模拟人脑生物神经网络的计算网络。4-深度神经网络形容词“深度”指的是网络中运用多层。它运用拥有多个隐匿层的深度神经网络。这些层处理信息，使系统能够学习繁杂的模式。5-从数据中学习系统经过展示海量示例并按照预测和正确答案之间的差异调节神经元之间的连接进行学习。6-处理繁杂问题深度学习针对处理传统办法难以处理的繁杂问题尤其有效。设备学习与深度学习让咱们分析一下设备学习和深度学习之间的重点区别：

在咱们之前的文章中，咱们谈到了让设备人识别狗。假设咱们想让设备人识别几种动物。

结尾

在这篇文案中，咱们认识了什么是深度学习以及它是怎样工作的。深度学习因其多层神经网络而得名，它类似于拥有多层思维的人类大脑神经网络，每一层都有助于更深入地理解它所处理的信息。

从识别图像和理解语音到为语音助手和自动驾驶汽车供给动力，深度学习有助于处理许多繁杂的任务。

倘若您有任何疑问或想法，欢迎评论区留言探讨。下期内容--AI初学者：第 4 部分 - 生成式人工智能简介

<SDI原创，欢迎转载、投稿联系> 往期精彩举荐:

AI初学者：第 1 篇 - 人工智能简介

AI初学者必看：第 2 篇 - 理解设备学习

麻省理工预测：2024年十大突破性技术揭晓

麻省理工：怎样用生成式AI来培养学生？

麻省理工：大型语言模型帮忙设备人导航

AI结合游戏NPC会出现什么？